Kejatuhan Fermi & Pengajaran Untuk Dana AI Di Kilang

Bila satu pelanggan tarik diri, nilai RM60 bilion hilang

Dalam masa beberapa jam sahaja, saham Fermi – sebuah REIT pusat data AI di AS – merosot kira-kira 34%, jatuh hampir separuh daripada harga IPO. Puncanya hanya satu: bakal penyewa membatalkan perjanjian pembiayaan sehingga US$150 juta untuk tapak pusat data di Texas.

Most companies get this wrong. Mereka sangka selagi ada “demand AI”, duit akan sentiasa masuk. Realitinya, satu kontrak besar yang gugur pun boleh menggoncang keseluruhan model perniagaan – lebih-lebih lagi jika syarikat itu masih muda dan belum menjana pendapatan.

Untuk bank, syarikat insurans dan fintech di Malaysia yang sedang agresif melabur dalam AI untuk perkhidmatan kewangan – daripada fraud detection, credit scoring, sampai wealth analytics – kisah Fermi ini bukan sekadar berita pasaran saham. Ini amaran awal tentang risiko pembiayaan infrastruktur AI: pusat data, rangkaian, smart factory, malah sistem core banking yang baru.

Dalam artikel ini, saya nak kupas:

• Apa sebenarnya berlaku pada Fermi
• Bagaimana risiko yang sama wujud pada projek AI di bank dan fintech
• Apa yang CFO, CRO dan ketua transformasi digital boleh buat supaya tak terperangkap dalam situasi “Fermi versi Malaysia”

Apa yang berlaku pada Fermi – dan kenapa pelabur panik

Cerita asasnya ringkas tapi pedih:

• Fermi ialah REIT pusat data yang fokus pada infrastruktur untuk AI
• Syarikat baru disenaraikan Oktober lalu dengan valuasi sekitar US$14.8 bilion
• Masih belum ada revenue, projek utama mereka ialah tapak Project Matador di Texas
• Seorang bakal penyewa bersetuju:
  • untuk menyewa sebahagian fasiliti tersebut
  • dan berpotensi menyediakan sehingga US$150 juta pembiayaan pembinaan
• Tiba-tiba, bakal penyewa batalkan komponen pembiayaan itu (perbincangan sewaan masih berjalan, tapi tanpa duit modal yang dijanjikan)
• Pasaran baca ini sebagai kejutan besar – saham jatuh ke sekitar US$10.04, ketiga terbesar jatuh di Nasdaq hari itu, jauh di bawah harga IPO US$21

Ekonomis yang dipetik dalam laporan menyebut dua perkara yang sangat relevan untuk projek AI di sektor kewangan:

"Dengan banyak firma yang lebih kecil dan baru, risiko orang utama dan klien utama sangat tinggi. Hilang satu klien, impaknya jauh lebih besar."

Dan seorang CIO pelaburan mengulas:

"Bila penyewa (potensi) batalkan perjanjian US$150 juta pada syarikat yang belum tunjuk untung, kebimbangan pelabur naik mendadak, terutama bila pasaran risau tentang 'overbuild' pusat data."

Terjemahan untuk kita di Malaysia: jangan jadikan satu pelanggan, satu projek atau satu sumber dana sebagai “nyawa tunggal” transformasi AI anda.

Paralel dengan AI di perkhidmatan kewangan Malaysia

Realitinya, struktur risiko Fermi sangat mirip dengan banyak projek AI di bank dan fintech:

1. Bergantung kepada satu atau dua “anchor client”

   • Ramai pemain AI (vendor, hyperscaler, malah konsortium) berharap satu bank besar akan jadi penyewa utama kapasiti pusat data atau platform mereka.
   • Jika bank tukar haluan – contohnya tukar strategi cloud, tukar vendor core banking, atau hold semua capex – seluruh model kewangan projek boleh runtuh.

2. Model pelaburan berat di depan, hasil kemudian

   • Sama seperti pusat data Fermi, banyak projek AI di bank (contohnya risk modelling berasaskan ML, platform data lakehouse, atau sistem anti-fraud masa nyata) memerlukan jutaan ringgit sebelum satu sen pun revenue baru dijana.
   • Jika pipeline use case tak cukup, ROI jadi kabur dan pengurusan mula potong bajet.

3. Hype AI vs disiplin kewangan

   • Fermi “menaiki gelombang” permintaan AI untuk IPO yang kukuh. Bank dan fintech pun sama: bajet AI diluluskan kerana semua orang takut ketinggalan.
   • Tapi bila ekonomi mengendur atau regulator tekan soal capital adequacy, projek AI yang tak ada business case yang jelas akan jadi mangsa pertama.

Kisah Fermi menunjukkan betapa rapuhnya pelan besar yang terlalu bergantung kepada satu pembiaya atau satu pelanggan utama. Bagi sektor kewangan, rapuh di sini bermakna risiko:

• impairment aset teknologi
• projek multi-tahun yang dihentikan separuh jalan
• reputasi tercalar bila janji pada pelanggan dan regulator tak tercapai

Pelajaran 1: Jangan bergantung pada satu sumber pembiayaan

Pengajaran pertama daripada Fermi sangat straight-forward: struktur pembiayaan infrastruktur AI mesti pelbagai, bukan bergantung kepada seorang “penyelamat” tunggal.

Untuk bank, insurans dan fintech, ini beberapa pendekatan yang lebih sihat:

1. Campuran capex, opex dan model “as-a-service”

Daripada laburkan belanja modal besar untuk pusat data sendiri atau sistem AI on-premise, pertimbangkan:

• Infrastructure-as-a-Service / AI-as-a-Service
  Kurangkan komitmen awal, sebaliknya gunakan kontrak jangka sederhana dengan opsyen naik/turun kapasiti ikut penggunaan sebenar.

• Model hasil kongsi (revenue-sharing) dengan vendor
  Sebagai contoh, solusi AI untuk cross-sell kad kredit dibayar berdasarkan approved loan atau fee yang terhasil, bukan lesen software tetap.

Ini tak bermakna capex tak perlu, tapi risiko diagihkan sepanjang masa, bukannya terkumpul di depan.

2. Kurangkan “key investor risk” dalam projek transformasi

Ramai projek AI besar di bank tempatan sebenarnya “bergantung” kepada seorang internal champion – contohnya satu unit perniagaan yang sanggup sponsor 80% kos.

Jika unit itu tukar ketua, tukar strategi atau merger dengan unit lain, projek boleh jadi yatim.

Cara yang lebih stabil:

• Bentuk portfolio use case AI merentasi beberapa unit (retail, SME, corporate, insurans, syariah) supaya bajet datang daripada beberapa P&L, bukan satu.
• Wujudkan AI Transformation Office di peringkat kumpulan yang ada mandat dan bajet lintas unit.

Pelajaran 2: Kurangkan risiko “key client” pada infrastruktur AI

Fermi terkena key client risk: satu bakal pelanggan yang terlalu besar, sehingga bila dia tarik balik pembiayaan, valuasi syarikat tergoncang.

Dalam konteks perkhidmatan kewangan, “client” di sini boleh bermaksud:

• satu vendor utama (hyperscaler, pembekal core banking, vendor kredit skoring)
• satu rakan kongsi strategik (telco, e-wallet besar, marketplace)
• atau satu segmen pelanggan (contohnya hanya fokus pada BNPL untuk Gen Z)

Kenapa ini berbahaya untuk AI di bank dan fintech

1. Terlalu bergantung pada satu vendor AI
   Bila semua model, data pipeline dan operasi AI dikunci pada satu provider, anda:

   • susah pindah bila harga naik
   • susah patuh keperluan regulator baharu yang mungkin tidak selari dengan vendor itu
   • bergantung pada roadmap teknologi vendor, bukan keperluan bisnes sendiri

2. Ekosistem pelanggan yang sempit
   Fintech yang hanya bergantung pada satu bank sebagai “sumber dana” untuk lending, atau hanya satu syarikat insurans untuk underwrite polisi AI-based, berdepan risiko sama seperti Fermi.

Apa yang bank & fintech boleh buat

• Reka seni bina multi-cloud / hybrid
  Pastikan model AI boleh dijalankan di lebih daripada satu platform: on-premise, private cloud, dan sekurang-kurangnya dua public cloud. Ini bukan soal “teknikal cantik”; ini polisi pengurusan risiko.

• Standardkan “AI contracts”
  Dalam perjanjian dengan vendor, pastikan ada klausa:

  • hak membawa keluar model dan data (model portability)
  • struktur harga yang telus mengikut penggunaan sebenar
  • pelan exit jika vendor diambil alih, disiasat regulator atau performa merosot

• Pelbagaikan rakan kongsi data dan saluran
  Untuk use case seperti credit scoring alternatif, jangan bergantung hanya pada satu telco data atau satu e-wallet. Lagi banyak sumber, lagi stabil.

Pelajaran 3: Bukti nilai (show me) lebih penting dari naratif

Seorang CIO pelaburan menggambarkan Fermi sebagai masih dalam fasa “show me” – pelabur mahu nampak bukti hasil, bukan sekadar janji. Sektor kewangan kita sebenarnya berada dalam situasi yang sama.

Bank, insurans dan fintech di Malaysia sudah berbelanja berjuta-juta ringgit untuk:

• fraud detection berasaskan AI
• automated credit scoring
• chatbot dan virtual assistant
• wealth analytics dan robo-advisory

Tetapi ramai pengurusan tertinggi masih belum nampak:

• pengurangan credit loss dalam angka yang jelas
• penurunan kos operasi per transaksi
• peningkatan fee income atau cross-sell yang boleh dikaitkan terus kepada AI

Bila ekonomi ketat, projek yang tidak mempunyai “AI P&L” yang jelas akan dilabel “kos”, bukan “aset”. Itu masa yang bahaya – bajet boleh dipotong, pasukan AI berpecah, dan visi jangka panjang hilang.

Cara praktikal untuk elak sindrom “show me”

1. Mulakan dengan use case yang ada line-of-sight kepada revenue atau cost
   Contoh yang biasanya cepat menunjukkan nilai di bank Malaysia:

   • fraud detection untuk kad dan e-wallet (kurangkan kerugian serta-merta)
   • collections prioritisation (ML bantu tentukan akaun mana patut dikejar dulu)
   • next-best-offer untuk pelanggan sedia ada (murah untuk diaktifkan, cepat hasil)

2. Jelaskan metrik dalam bahasa CFO dan CRO
   Jangan berhenti pada AUC 0.86 atau F1-score 0.9. Terjemah kepada:

   • berapa RM kerugian yang dielak
   • berapa basis point peningkatan approval rate tanpa naikkan NPL
   • berapa ramai staf yang boleh dialihkan ke tugas nilai tambah lain

3. Kawal skop teknikal, fokus pada produk minimum yang memberi hasil (MVP)
   Lebih baik satu model fraud yang berfungsi di satu produk kad dalam 6 bulan, daripada “platform AI enterprise” yang ambil 3 tahun tanpa output.

Strategi untuk pelaburan AI yang lebih stabil di sektor kewangan

Berpandukan pengajaran dari Fermi, ada beberapa prinsip yang saya sendiri selalu cadangkan pada organisasi kewangan yang serius tentang AI:

1. Treat AI seperti aset kewangan, bukan projek IT

AI bukan “tool eksperimen”. Ia sepatutnya dinilai dengan logik yang sama seperti portfolio pinjaman atau pelaburan:

• jangkaan cashflow dan jangka masa pulangan
• risk-adjusted return untuk setiap use case
• diversifikasi – jangan letak semua dana inovasi pada satu mega-platform

2. Bentuk “AI balance sheet” anda

Secara dalaman, bina senarai aset AI yang jelas:

• model utama (fraud, kredit, AML, pemasaran, risk stress-test)
• aset data penting (data pelanggan, transaksi, telemetri digital)
• infrastruktur (cloud, GPU, data lake, MLOps platform)

Nilai setiap satu dari sudut:

• kos pembinaan & operasi
• nilai perniagaan (sama ada revenue, penjimatan kos, atau penurunan risiko)

Bila anda nampak AI sebagai balance sheet, senang untuk:

• berbincang dengan regulator (BNM, SC) tentang pelaburan dan risiko model
• “membela” bajet AI dalam mesyuarat ALCO atau lembaga

3. Bangunkan kerangka AI risk management yang matang

Regulator Malaysia semakin menumpukan perhatian kepada model risk management, terutama untuk credit scoring dan keputusan automatik.

Kerangka yang baik patut meliputi:

• model validation dan monitoring yang formal
• dokumentasi asumsi dan batasan model
• ujian stress terhadap data pasaran yang berubah
• keperluan human-in-the-loop pada keputusan kritikal

Ini bukan sekadar kepatuhan. Kerangka yang kukuh akan membantu anda mengesan lebih awal jika use case AI tertentu tak memberi pulangan seperti dirancang – sebelum ia menjadi “Fermi moment” di laporan kewangan.

Penutup: Jangan ulang kesilapan Fermi dalam versi kewangan

Kejatuhan Fermi selepas satu bakal pelanggan tarik diri menunjukkan satu hakikat pahit: infrastruktur AI yang hebat pun tak berguna jika struktur pembiayaan dan pengurusan risikonya rapuh.

Bagi bank, insurans dan fintech di Malaysia yang sedang agresif mengguna AI dalam fraud detection, automasi kredit, wealth analytics dan compliance, ini masa yang sesuai – sebelum bajet 2026 dimuktamadkan – untuk menilai semula:

• Adakah pelaburan AI anda bergantung pada satu vendor, satu projek atau satu unit perniagaan sahaja?
• Adakah setiap use case AI mempunyai sasaran kewangan yang jelas dan dipantau seperti portfolio pinjaman?
• Adakah anda mempunyai pelan “kalau pelanggan utama atau rakan kongsi tarik diri”, seperti yang menimpa Fermi?

Jika jawapan kepada mana-mana soalan ini meragukan, lebih baik perkemaskan struktur hari ini daripada tunggu pasaran atau regulator yang memaksa perubahan esok.

Pada asasnya, AI dalam perkhidmatan kewangan bukan sekadar tentang model yang lebih pintar – ia tentang keputusan pelaburan yang lebih bijak.